StokCerdas — Chronos-T5-mini fine-tuned untuk permintaan ritel perishable

Asal & cara latih

• Base model: amazon/chronos-t5-mini (20M parameter)
• Data: FreshRetailNet-50K (CC BY 4.0), 100 toko, setelah koreksi censored demand (penjualan pada jam stockout dikoreksi/dibuang) dan penskalaan global.
• Objektif: horizon 7 hari (bukan 64 seperti pretraining) — sesuai horizon produk.
• 3 epoch, lr 1e-4, batch 32, ~3.600 step, GPU tunggal (~4 menit).
• 7 hari terakhir tiap deret dipotong dari data latih dan dipakai sebagai jendela evaluasi, sehingga tidak ada kebocoran.

Hasil (184 store-SKU, horizon 7 hari, seed 42, num_samples 100)

Keterbatasan — baca sebelum memakai

• Keunggulannya kecil. Model menang atas moving average sederhana sebesar ~1% pada WAPE micro dan MAE; lantai derau evaluasi ±0,2%. Model kalah pada MASE (0,964 vs 0,949).
• Sebagian besar kemampuan berasal dari bobot pretrained, bukan dari fine-tuning ini (zero-shot 0,520 -> fine-tuned 0,512 pada WAPE micro).
• Nilai terbesarnya ada di SKU lambat/bervolume kecil (WAPE 0,77 vs 1,32 milik moving average) — bagian yang paling tidak stabil untuk metode naif.
• Dilatih pada data fresh grocery di Tiongkok. Generalisasi ke toko kelontong Indonesia belum diuji (domain shift).
• Angka penjualan pada dataset sumber sudah dinormalisasi global oleh penerbitnya; skala absolutnya bukan satuan fisik.

Sitasi dataset